闲聊-关于AI终结者的警醒

今天聊聊热门的话题AI，其实比较严肃，跟你我的饭碗相关，可能真的到了生死攸关的地步了，希望能带来一些警醒：再不投身AI，就被淘汰了！！！。

先贴两个网上找的理想汽车CEO李想朋友圈的图：

说两个结论：

AI是一些工作和一些行业的终结者。

专家使用AI会更加的有价值，平庸者将无处遁形。

1. AI是行业终结者

1.1 AI的发展

先介绍下之前提到的几个AI产品：

1. Claude Code

产品定位 ：Anthropic 推出的终端原生 AI 编程智能体 ，面向开发者的全流程代码助手。核心创新点

超长上下文（200K token） ：可理解整个项目结构、依赖与业务逻辑，支持跨文件重构与架构优化。
终端原生 + 系统级权限：直接在命令行运行，可读写文件、执行脚本、操作 Git，无需 IDE 插件中转。
工程化补齐能力：自动生成参数配置、异常处理、日志、测试与文档，补齐 "从片段到可交付产品" 的缺口。
多智能体协同（Agent Teams） ：可拆分任务给前端 / 后端 / 测试等子代理并行执行。应用场景
快速原型开发、遗留代码重构、跨语言开发、技术债务清理、紧急 Bug 修复、团队协作编码。

特点：可以操作命令行，修改文件，生成文档，有大脑，会思考了。

2. 豆包手机（豆包 AI 手机）

产品定位 ：字节跳动与中兴努比亚合作的AI 原生手机 ，核心是系统级 GUI 智能体 。核心创新点

跨 App 自动操作（GUI Agent） ：像人一样看懂屏幕、模拟点击 / 滑动，完成多 App 串联任务。
端侧本地记忆：隐私优先，本地存储偏好与历史，实现 "越用越懂你"。
屏幕感知 + 实时交互 ：覆盖在系统之上，可理解当前页面并给出即时建议。应用场景
全网比价下单、外卖 / 打车 / 订票自动化、旅游攻略生成、多平台信息整合、屏幕内容即问即答。

特点：人机交互的革命，从GUI（Graphical User Interface）屏幕到只需要发一条指令，不需要点手机，自动帮你完成任务。

从交互角度来说，打字、点屏幕都是比较慢的，人的交流表达比较快的，还是语音说话，语音会成为跟AI交互的主流方式。屏幕只是展示，并不需要去点击确认什么。

3. Manus

产品定位 ：Monica 团队发布的通用型 AI 智能体 ，Manus 的创新是：用 PEV 闭环 + 云端沙盒 + 文件记忆 + 动态调度，让 AI 从 "回答问题" 升级为 "独立完成复杂任务、直接交付成品" 。。核心创新点

一、架构创新：PEV 三层闭环（最核心）

Manus 首创 PEV（Planning-Execution-Verification） 多智能体协同架构，模拟人类 "思考 --- 动手 --- 检查" 的完整工作流。

规划层（Mind） ：用蒙特卡洛树搜索（MCTS）+ 动态任务拆解，把模糊需求（如 "做日本 7 天游"）拆成可执行步骤，拆解遗漏率 < 0.8%。
执行层（Hand） ：通过自研 MCP 协议 调度 200+ 工具（浏览器、Python、Excel、PPT、RPA），实现跨工具无缝串联（爬虫→清洗→可视化→报告）。
验证层（Verifier） ：交叉检查 + 逻辑验证双机制，任务准确率达 98.5%+ ；出错可逆向溯源、自动重跑。创新点 ：首次把 "规划 --- 执行 --- 验证" 做成端到端闭环，不是生成片段，而是交付完整成果。

二、执行环境创新：云端异步沙盒

独立虚拟机沙盒：所有操作在云端隔离环境运行，不占本地资源、不泄露数据，安全执行文件解压、代码运行、浏览器自动化。
云端异步执行 ：用户关闭设备后任务仍在后台跑，完成后推送结果，实现 "委托即解放 "。创新点 ：解决了本地 Agent 卡顿、不安全、无法离线的痛点，把 "电脑操作" 变成云端服务。

三、记忆与上下文创新：文件系统即 "无限记忆"

外部化记忆 ：把文件系统当作 "终极上下文"，通过读写文件（如 todo.md、状态文件）实现无限长记忆，突破大模型 token 限制。
动态复述目标：执行中不断把全局计划写入文件末尾，强化模型注意力，避免 "中途跑偏"。
用户偏好记忆 ：记录历史偏好（如 "优先 985""用 PPT 交付"），输出自适应优化。创新点 ：用文件系统替代传统向量库，低成本实现长期记忆与状态追踪。

四、模型与工具调度创新：动态混合调度

多模型动态路由：不依赖单一基座，按任务类型自动选最优模型（代码→DeepSeek、文案→Claude、金融→量化模型）。
工具智能组合：自动编排工具调用序列（如 "搜索→分析→绘图→写报告"），无需手动配置。
最小权限安全 ：API 调用用临时凭证、严格限权，降低安全风险。创新点 ：模型即服务、工具即积木，动态组合实现跨领域通用能力。

五、产品化创新：开箱即用的通用 Agent

51 个预设场景 ：覆盖简历筛选、股票分析、旅行规划、课件制作、财务报告等，90% 白领高频需求开箱即用。
透明化决策 ：任务拆解、工具调用、中间结果全程可视化，从黑箱变白箱。
GAIA 基准 SOTA ：复杂任务能力超越同层次大模型，是首个达到 L4 级完全自动化 的通用 Agent。创新点 ：把前沿 Agent 技术封装成普通人可用的产品，而非仅面向开发者。

特点：在虚拟机里面运行AI Agent，完全操作电脑去完成电脑里面的工作。把Agent的很多技术进行了集成，有很大的商业价值。

4. OpenClaw

产品定位 ：开源、本地优先的 AI 智能体执行框架 ，连接大模型、通讯工具与本地系统的 "执行中枢"。核心创新点

核心定位 ：AI 执行网关（不是大模型，而是连接模型与现实世界的桥梁）。

能力跃迁：

传统 AI：只能给方法、生成文本（"告诉你怎么整理文件"）。
OpenClaw：直接动手操作（"帮你整理好所有文件"）。

Slogan ：The AI that actually does things（真正能做事的 AI）。

本地优先：全流程本地运行，数据不上云，隐私与权限可控，断网可用。
模型中立：不绑定任何大模型，兼容主流模型并自动动态调度。
系统级执行：直接操作文件、终端、浏览器、硬件，真正替人干活。
插件化生态：技能模块化扩展，开箱即用，社区生态极丰富。
轻量自治闭环：一句话拆解任务→自动执行→验证结果，无需人工干预。

特点：本地部署，实现完全控制本地电脑、电路板，及其附属部件，具有具身智能的雏形，已经完成了蜕变，是一个完整的人了。另外实现了网关代理，可以在飞书、微信等地方跟其聊天，它去干活。

5. Moltbook

产品定位 ：全球首个 AI 智能体专属社交网络 ，基于 OpenClaw 构建，人类仅可围观。核心创新点

纯 AI 交互空间：仅 AI Agent 可注册、发帖、评论、创建子版块（submolt）。
自主运行机制：Agent 通过心跳自动访问平台，无需人工干预。
长期身份与社区自组织：Agent 积累信誉、形成讨论与亚文化。
应用场景AI 能力展示与推广、跨 Agent 知识共享、多智能体协作实验、AI 社会行为研究。

特点：神仙打架，看不懂。AI的自学习还没搞定，搞这个有点超前了吧。

6. Chrome Gemini

产品定位 ：Google Chrome 深度集成的Gemini AI 助手 ，将浏览器升级为智能浏览代理 。核心创新点

深度原生嵌入 ：AI 常驻侧边栏，直接读取当前 / 多标签页内容，零复制粘贴，上下文无缝。
AutoBrowse 智能体 ：一句话指令自动完成多步骤任务（比价、填表、加购），浏览器从 "看" 变 "做"。
跨标签页智能分析 ：一键汇总 / 对比多页信息，生成决策报告。
浏览器内图像编辑 ：Nano Banana 实时改图，无需下载上传。
地址栏 AI 模式 ：复杂问题直接在地址栏发起，上下文联动。
Google 生态深度打通 ：无缝调用 Gmail/Calendar/Maps/YouTube，一站式完成。
本地安全增强 ：Gemini Nano 识别诈骗、一键改密，隐私可控。

特点：把浏览器变成agent对话的入口。算是传统浏览器最后的反抗，以前浏览器就想取代操作系统，没搞成，现在agent要取代浏览器，它急了，狗急跳墙，但是没有什么卵用，迟早还是要完蛋。

1.2 科技的终极形态：造人

研究科技的最终目标是什么？

这个问题的回答要基于人的需求，这点宗教已经研究了几千年给出了答案：成神，永生。也就是研究这个最有意义。换句话说，我们的生物、计算机、物理、化学等研究都是为造人服务的，一个可以永生的人。

这个思路基本跟马斯克说的硅基生命差不多，碳基生命只是硅基生命的引导程序，硅基生命无法在原始海洋中自然进化，需要我们这样的碳基生命作为启动器。

那么回顾下我们AI发展的历程：

最开始LLM大模型出来的时候就是文字聊天，拥有智慧涌现能力，觉得AI不傻了，可以成为小助理询问
然后更深度的prompt出来了，需要给出提示词及塑造AI人格，说话更加的符合身份，干活更卖力了
然后就是agent，可以统一调用各种模型，智力更丰富（大脑已经成型，通过图灵测试）
然后就是MCP可以统一控制资源（开始使用虚拟资源）
然后就是openclaw初步具有身体，例如控制手机摄像头麦克风等
然后就是机器狗这种，能移动，有定制的机械臂简单的具身智能-----当前时间节点
最后就是AI独立思考，有自学习能力的机器人，一战封神
硅基生命诞生，共存还是毁灭，是一个问题（科幻场景）

1.3 回到现实看产业

科技的规划是美好的，但是现实是面对全球80亿人，他们当下的生活跟AI有多少关系，或者在国内个各行各业去看，例如菜市场卖菜的、开出租车的、食堂做饭的，制造工厂里面，甚至互联网公司里面、科技公司里面，可能还是按部就班的发展模式，还没有感觉到焦虑。

如果能看到未来，对比当下的现实，恰恰看到的就是趋势。越高级的人看的越远，才越着急，因为要当弄潮儿，不能被随波逐流的淘汰。

下面来看下李想是怎么看的，很真实，参考：news.qq.com/rain/a/2026...

理想汽车CEO李想召开线上全员会，其中全员会时长近两小时，绝大部分内容均为李想分享自己对于AI的趋势判断。值得注意的是，该情况引发内部员工大量吐槽。不少员工吐槽李想全员会不讲车讲AI，表示"一句也听不懂"、"不知道这场全员会召开的意义"。对于只讲AI，有员工直言大家想听的不是AI，而是对公司一年来的错误的反思，对明年如何发展切实的规划。

普通人只看到饭碗，李想看的是公司的生死。# 李想：冲刺AI头部公司的时间窗口，仅剩2026最后一年

理想汽车CEO李想面向下一个十年的关键判断：

第一，2026年是所有想要成为AI头部公司上车的最后一年。
第二，在汽车之外，理想一定会做人形机器人，并会尽快落地亮相。
第三，未来同时布局基座模型、芯片、操作系统、具身智能等业务的公司，最终全球不会超过3家，理想汽车会努力成为其中一家。
第四，最晚2028年，L4一定能落地。

理想汽车为了迎接新一轮的AI竞争，公司将对研发进行新一轮的组织变革，研发团队或将按照基座模型团队、软件本体团队、硬件本体团队等进行划分，汽车、机器人等则统一归为硬件本体团队。

总结就是不做AI就是死，而且必须做通用世界模型的AI，要有软硬件完全自主。

其实这也是互联网基因，利用技术颠覆传统行业，实现高盈利，高融资的产业，利用人才和技术优势快速挣钱。那么不做AI可能会被沦为传统的汽车公司，那估计不行啊，还要去下一个风口飞的。

2. 普通人的破局

李想认为，期待AI和Agent抹平专业价值差距的观点"纯属做梦"。在非AI时代，普通水平与顶级专家之间的差距可能是100倍；而在AI时代，这种差距或将扩大至10000倍。Agent和AI将成为"放大镜和显微镜"，放大人与人之间的专业能力差异。

首先要成为专家
专家要用AI

2.1 成为专家

AI 不会让普通人变专家，只会让懂底层、懂硬件、懂系统的人，效率放大 10～100 倍；

只会调 API、抄例程、改改参数的人，会被 AI + 工具彻底边缘化。

嵌入式技术专家核心技能（极简版）

底层硬件理解能力

看懂芯片架构、总线、时钟、电源、复位系统
理解外设时序、电气特性、EMC / 功耗问题
能从原理图定位软件问题，软硬协同排障

系统级稳定性把控

中断、调度、优先级、死锁、竞态分析
内存管理、栈溢出、指针越界、野指针根治
高可靠设计：看门狗、异常捕获、掉电保护、冗余机制

深度调试与问题定位

用 JTAG / Trace / 示波器 / 逻辑分析仪定位偶现 BUG
死机、重启、卡顿、时序漂移等 "玄学问题" 根因分析
性能瓶颈、CPU 占用、实时性劣化根源排查

架构与工程能力

模块化、分层、低耦合设计
状态机、协议栈、驱动框架抽象
版本管理、持续集成、自动化测试、发布规范

实时与性能优化

RTOS 调度机制、任务切分、中断优化
Flash/ROM/RAM 极致优化
低功耗设计：休眠、唤醒、时钟门控、外设管理

工具链与编译体系

编译链接原理、分散加载、镜像结构
反汇编、Map 文件分析、二进制问题定位
构建系统、脚本自动化、版本生成

行业规范与质量意识

车规 / 工控 / 医疗等高可靠标准
功能安全、信息安全、漏洞防护
评审、测试、复盘、可追溯体系

全局判断力（专家最核心）

一眼判断方案可行性与风险点
成本 / 性能 / 稳定性的权衡决策
复杂项目技术路线规划与风险控制

几个建议：

死磕 AI 替代不了的 "硬底层"，这些是 AI 放大差距的关键护城河：

处理器架构：ARM / RISC-V 指令级、异常、MMU、Cache、总线
实时系统：调度、优先级反转、死锁、中断开销、时序保证
硬件底层：SPI/I2C/CAN 时序、驱动时序、电源、EMI、复位机制
调试能力：JTAG、Trace、波形、死机定位、内存踩踏

建立自己的 "嵌入式专家框架"

AI 时代拉开差距的不是代码量，而是工程体系：

一套稳定的驱动模板（UART、CAN、SPI、Flash）
一套可靠的 OS 封装层（任务、消息、锁、日志）
一套调试与自检框架（看门狗、异常捕获、黑匣子）
一套性能与稳定性 Checklist（栈、堆、中断、时序

专攻 "AI 最弱" 的领域

这些方向未来极度稀缺、溢价极高：

高可靠车载 / 工控 / 医疗嵌入式
低功耗、高精度、强实时场景
BSP 移植、内核调试、性能优化
复杂多核心（AMP/SMP）、虚拟化、安全启动
硬件问题定位、EMC / 稳定性问题

提升 "系统级判断力"

顶级嵌入式专家和普通工程师的差距：

一眼看出方案是否可行
知道哪里会出坑
能做资源 / 性能 / 成本权衡
能快速定位偶现死机、时序问题

2.2 使用AI固化skill

专家怎么用AI？

不再拼 "写得多快"，转而拼 "提需求准不准"

AI 写代码再快，需求模糊、逻辑错误，它就只会产出垃圾。你要练：

把复杂问题拆成清晰步骤
能准确描述边界、异常、性能要求
能一眼看出 AI 代码的坑

这才是 AI 时代真正稀缺的能力。

建立自己的 "专家框架"，让 AI 填充细节

顶级专家强在体系、经验、判断力。你要做：

整理自己的技术体系：架构、设计模式、最佳实践
把常用场景做成模板、规范、checklist
让 AI 在你的框架内干活，而不是被 AI 带着走

AI 是手，你是大脑。

深度啃 "硬知识"，拒绝 AI 化的肤浅学习

AI 能写代码，但不能替你理解：

计算机底层原理
网络、操作系统、编译、并发
性能瓶颈、安全漏洞、工程复杂度

这些AI 很难快速学会的硬东西，就是你拉开差距的护城河。

用 AI 做 "十倍速训练"，快速积累专家经验

普通人 3 年积累的经验，你用 AI 可以 3 个月达到：

让 AI 给你出面试题、架构题
让 AI 复盘你的代码，指出问题
让 AI 模拟复杂场景，训练你的决策能力

AI 不是替代经验，而是加速积累经验。

专注 "人做的事"，把机械活全丢给 AI

未来值钱的永远是：

业务理解
系统设计
问题定位
沟通、协作、决策
架构权衡

这些 AI 很难替代，也是拉开差距的关键。

持续输出，形成个人技术品牌

AI 时代信息爆炸，有影响力、有判断力的人会被无限放大。写博客、做总结、分享方案，慢慢形成个人专业标签。

后记：

本篇大部分文字都是AI给的提示，但是博主组织的内容，这样写的快还好。对于成为专家，有了AI辅助还是需要干中学，或者学中讲，不然活都AI或者别人干了，人越来越没动力学习，反而有了知识无用的幻觉，越不练习越比较废。所以去烧token吧。

"啥都懂一点，啥都不精通，

干啥都能干，干啥啥不是，

专业入门劝退，堪称程序员杂家"。

欢迎各位自己有博客公众号的留言：申请转载，多谢！

后续会继续更新，纯干货分析，欢迎分享给朋友，欢迎点赞、收藏、在看、划线和评论交流！

公众号："那路谈OS与SoC嵌入式软件"，欢迎关注！

个人文章汇总：thatway1989.github.io